English  |  正體中文  |  简体中文  |  Items with full text/Total items : 63190/95884 (66%)
Visitors : 4664513      Online Users : 460
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library & TKU Library IR team.
Scope Tips:
  • please add "double quotation mark" for query phrases to get precise results
  • please goto advance search for comprehansive author search
  • Adv. Search
    HomeLoginUploadHelpAboutAdminister Goto mobile version
    Please use this identifier to cite or link to this item: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/124834


    Title: 機器學習對铣削加工在全面生產維修最佳化之預測
    Authors: 曾威翔;高志斌;楊智旭;張士行
    Keywords: 支持向量回歸(SVR);田口方法;最佳化;倒傳遞神經網路(BPN);全面生產維修(TPM)
    Date: 2023-12-02
    Issue Date: 2023-12-18 12:05:45 (UTC+8)
    Abstract: 銑削是一種極為常見的加工方式,所以在銑削
    加工中如何把效率做到最高是現代加工的一大課題。
    本研究應用全面生產維修(TPM, Total Production
    Maintenance)概念來延長機台使用時間,使機台使用
    時間增長,維修停機時間縮短;會影響加工時長的原
    因有許多,例如:刀具壽命、切削轉速、切削深度、
    進刀量等,但如更換這些控制因子再去使用全因子實
    驗會花費太多時間與成本,所以本研究會先應用田口
    方法來優化數據,再使用倒傳遞類神經網路(BPN,
    Back Propagation Neural Network)以及支持向量回歸
    (SVR, Support Vector Regression)來進行模型預測和
    比較,希望能在不耗費大量成本下找到最佳化加工參
    數,提高加工效率。
    近年來隨著人工智慧的崛起及演算法的進步,
    SVR 被廣泛應用在多種領域,因此本研究利用 SVR
    與 BPN 來建模,對於銑削加工參數來預測出最佳的
    參考組合,利用 SVR 建模所需樣本少的特性,以田
    口方法中的直交表來減少實驗次數,使用建立好的
    SVR 與 BPN 的最佳化預測模型進行運算、比較,進
    而找出適合的預測法,再以此最佳的預測模型進行全
    因子實驗找出最佳解。
    Relation: 中國機械工程學會112年度年會暨第40屆全國學術研討會論文集
    Appears in Collections:[機械與機電工程學系暨研究所] 會議論文

    Files in This Item:

    There are no files associated with this item.

    All items in 機構典藏 are protected by copyright, with all rights reserved.


    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library & TKU Library IR teams. Copyright ©   - Feedback